企业官网建设流程全解析

2024年国赛B题赛题公开后，不少参赛队伍第一反应是“这题面怎么这么长”。但真正动手拆解之后你会发现，这道题的核心其实就是两件事：决策优化和鲁棒模型。它不像A题那样有复杂的物理机理需要推导，也不像C题那样有大量的数据清洗和统计检验，B题本质上是把企业生产运营中“在不确定环境下怎么排产、怎么采购、怎么控制风险”这个问题，落成了一个需要严谨建模的数学规划问题。这篇文章我会完整复盘B题的破题思路、模型中每一个关键环节的设计理由、从符号说明到求解器落地的全套流程，以及我在实际比赛和辅导中踩过的坑和应对方案。不管你是第一次参加国赛的萌新，还是想在B题上冲国奖的老手，这篇全解应该都能给你一些可以直接抄作业的东西。

1. 2024年B题的题目拆解与破题思路

1.1 题设结构：生产决策问题到底在考什么

B题的题面很长，长到很多队伍读完第一遍就已经晕了。但如果你把它拆开，你会发现题设其实是层层递进的：给定一个需要制定生产计划的企业场景，涉及原材料的购买、多道生产工序的安排、成品的抽样检测，以及面对波动的市场需求时如何安排产出。

题面里最核心的几个关键词是：次品率、抽检、生产计划、需求不确定。次品率不确知，需要通过抽样检测去估计；需求不确定，需要模型具备抗风险能力。这两条线交织在一起，构成了整道题的骨架。

绝大多数队伍的误区在于：试图一开始就建一个“万能”的超级大模型，把所有细节全部塞进去，结果变量爆炸、约束混乱、求解器跑不出来。正确做法应该是先识别决策主体和决策链条：先决定是否生产、生产多少、何时采购，再根据检测结果修正对次品率的判断，最后落实到每一批产出和库存的安排。这就像做菜，得先分清主料和辅料，不能一锅乱炖。

1.2 为什么主模型是混合整数规划，而非单纯线性规划

B题中必然存在一批“是/否”性质的决策变量，比如是否投入生产线、是否对某批次进行全检、是否启用额外产能。这类变量天生就是0-1离散的，所以主线模型一定是混合整数线性规划（MILP）。

很多同学会问：线性规划不是更好解吗？为什么非要把问题搞成整数规划？

原因很简单：连续变量无法表达“做与不做”的逻辑。你不可能用连续变量表示“这条流水线开还是不开”。而这类决策一旦做错，后续所有产量安排都是错的。竞赛层面，MILP有成熟的求解器（Gurobi、CPLEX、OR-Tools）和大量的标准算法支撑，只要模型规模控制得当，求解完全可行。

这里要特别提醒一个关键点：建模时一定要把固定成本和可变成本分开。固定成本对应0-1变量是否引入，可变成本对应连续变量的大小，两者通过“大M约束”关联起来。这不仅是数学模型上的要求，也完全符合实际企业决策的经济学逻辑——先决定要不要干，再决定干多少。

1.3 多目标优化与决策：成本、利润、风险怎么权衡

B题往往不是单目标问题。有时候要求在成本最小化，有时候要考虑利润最大化，有时候还要兼顾缺货风险。这种多目标怎么处理，也是评阅时区分度的来源之一。

我在实际建模中常用的方法有三种：

• 加权和法：把多个目标通过权重合成一个目标函数，简单直观，但权重设定需要合理依据。
• 字典序法：先优化首要目标（比如必须满足的最低利润），再在首要目标达到的前提下优化次要目标（比如成本）。
• 帕累托前沿：通过多次求解，画出目标之间的权衡曲线，比如成本-风险前沿，让决策者自己选。

我的建议是：主模型用加权和法或字典序法得到明确的最优解用于论文汇报，再补充一个帕累托分析展示你的模型“弹性”。两个都做，既保证了结果清晰，又展示了模型深度。

2. 鲁棒模型：不确定性条件下的建模进阶

2.1 从随机规划到鲁棒优化：B题为什么要“鲁棒”

B题中最大的不确定性来源是市场需求和次品率。很多队伍的第一反应是用随机规划或者蒙特卡洛模拟。随机规划的思路是假设需求服从某个概率分布（比如正态分布、泊松分布），然后基于随机样本或场景进行优化。

但随机规划有一个致命的弱点：它对分布假设的依赖性太强。如果你假设需求是正态分布，但实际数据的尾部更厚、极端值更多，那么随机规划给出的解在极端场景下可能直接崩溃。国赛评阅中，评委经常追问的问题就是：“你的解在最坏情况下还能用吗？”

鲁棒优化的思路则完全不同：它不假设不确定参数的具体分布，只要求不确定参数落在一个不确定集合中，然后优化最坏情况下的目标值。相当于你不是为“平均情况”做计划，而是为“最坏但可接受的情况”做计划。这在供应链管理领域是非常经典的处理方式。

B题之所以适合鲁棒优化，正是因为题设中需求的波动范围往往是给定的（或者可以从历史数据的置信区间估算），但分布很难精确假设。这时候盒式不确定集、预算不确定集这些工具就能直接派上用场。

2.2 不确定集的选择：盒式、椭球式与预算式

鲁棒优化的核心不是模型本身，而是不确定集的选择。选得太简单，模型可能过于保守；选得太复杂，模型可能无法求解。我给自己总结了一条经验：能用线性表达的不确定集，绝不用非线性。

三种最常用的不确定集我分别说一下：

• 盒式不确定集：每个不确定参数独立地在区间内波动，比如需求d∈[d̄-Δd, d̄+Δd]。它最简单，但最保守，因为所有参数同时取最坏值的概率极低。
• 椭球式不确定集：考虑参数之间的相关性，用椭球约束Σ((d_i-d̄_i)/Δd_i)² ≤ Ω²来描述。它更符合实际，但会引入二次约束，对求解器要求更高。
• 预算不确定集：在盒式基础上引入一个“预算参数”Γ，限制所有参数偏离标称值的总量不超过Γ。当Γ=0时退化为确定模型，当Γ很大时逼近盒式模型，调节起来非常灵活。

我强烈推荐预算不确定集。原因是它既能表达“不会所有环节同时出问题”的实际直觉，又能保持模型的线性结构，求解效率和模型可解释性都很好。而且Γ的取值可以和题目中“缺货损失成本”“风险偏好”直接挂钩，论文里讲起来也容易自圆其说。

2.3 鲁棒对等模型的推导：把“最坏情况”变成约束

很多同学理解了鲁棒优化的思想，但不会落地。这里我详细说一下最基本的推导逻辑。

假设我们有一个需求满足约束：生产量x加上期初库存I必须大于等于不确定需求d。写成标准形式就是：

x + I ≥ d，其中d∈U

如果U是盒式不确定集[d̄-Δd, d̄+Δd]，那么这个约束在鲁棒框架下等价于：

x + I ≥ d̄ + Δd

没错，就是直接把需求取到区间上界。这就是所谓“最坏情况”，相当于你要保证在需求最大的情况下也不缺货。

如果是预算不确定集，约束Σ|d_i-d̄_i|/Δd_i ≤ Γ，那么对于单期决策，等价于：

x + I ≥ d̄ + Γ·Δd

这里Γ就是你可以接受的最大偏离程度。这个“线性化”的关键在于：最坏场景一定发生在选定的Γ个单位偏差都取极端值时，而这个值可以通过数学推导得到。多期模型推导稍复杂，但思路一致——引入辅助变量，把max项对偶掉，转化为线性约束。

我在这里建议大家：不确定集中涉及的参数（Δd、Γ）不要拍脑袋定，要结合题目已知信息。比如题目中已经给了需求在不同情况下的波动范围，就直接用题目数据去标定Δd，这样论文中你在做灵敏度分析时，评委问起来才站得住脚。

3. 完整建模实操：从符号说明到求解器落地

3.1 符号系统与变量设计：论文中“符号说明”怎么组织

很多队伍在写论文时，符号说明表就是一长串字母，评委看了都头疼。这里分享一个我屡试不爽的组织方法：按决策主体分组。

比如：

• 集合与索引：T（计划期）、K（产品类型/生产线）
• 已知参数：D_t（第t期名义需求）、ΔD_t（需求最大偏移）、c_t（单位生产成本）、h_t（单位库存成本）、pen_t（单位缺货惩罚）
• 第一层决策变量：y_t∈{0,1}（是否启用产线），z_t∈{0,1}（是否抽检）
• 第二层决策变量：x_t（产量）、I_t（库存量）、S_t（缺货量）等

变量命名一定要“见名知义”，不要全部用a、b、c这种，那会害死读者，也会害死你后期的论文写作。我见过太多队伍最后写论文时，模型符号前后不一致，被评委发现后疯狂降分。建议在模型搭建的当天就把符号表定稿，后续所有代码、公式、图表都用同一套命名。

3.2 完整模型搭建：目标函数与约束条件

基于B题的典型场景，我给出一个可复用的两阶段鲁棒优化模型框架。

目标函数是最小化总成本，包含几个部分：

• 固定成本：Σ_t (F_t·y_t)，只有当启用产线时才产生
• 生产成本：Σ_t (c_t·x_t)
• 库存成本：Σ_t (h_t·I_t)
• 缺货惩罚：Σ_t (pen_t·S_t)

所以目标函数为：

min Σ_t (F_t·y_t + c_t·x_t + h_t·I_t + pen_t·S_t)

约束条件是这个模型的重中之重。我按功能分四组：

第一组：产能约束。x_t ≤ CAP_t·y_t，即产量不能超过启用产线的最大产能。这里y_t是0-1变量，如果y_t=0，x_t必须为0；如果y_t=1，x_t才有上限CAP_t。这就是大M约束的一种形式。

第二组：库存平衡约束。I_t = I_{t-1} + x_t - d_t + S_t，这里的d_t就是那个不确定需求。库存量等于上一期库存加本期产量减去本期需求量，如果生产不足，产生缺货S_t。

第三组：需求满足约束（鲁棒形式）。如果需求不确定集是盒式或预算式，要把d_t替换为对应的“最坏值”。写成线性对等形式后即：I_{t-1} + x_t + S_t ≥ d̄_t + Γ·ΔD_t（预算集合单期形式）。这里需要注意的是，S_t虽然名义上是变量，但在鲁棒约束下它其实起到了“缓冲装置”的作用——当模型预见到最坏情况时，会通过提高产量或增加库存来避免缺货。

第四组：变量域约束。x_t≥0，I_t≥0，S_t≥0，y_t∈{0,1}。

你看，这套模型结构并不复杂，但它把“决策-不确定-风险”三件事全部包含进去了，这就是B题想要的“完整建模”。

3.3 求解工具选型与实战：Gurobi、CPLEX 与 Python 实现

模型建完之后，下一步就是求解。国赛场景下我最推荐的组合是Python + Gurobi，如果学校没有Gurobi授权，至少也要用Google OR-Tools或者开源的SCIP作为备选。

Gurobi对MILP的求解速度是业界顶尖的，而且它有方便Python API，写代码的体验非常顺滑。下面给出一段核心的模型搭建代码框架：

from gurobipy import Model, GRB # 以预算不确定集为例 def build_robust_model(T, F, c, h, pen, CAP, d_nom, d_delta, Gamma): m = Model("Robust_Production") # 决策变量 x = m.addVars(T, lb=0, name="x") # 产量 I = m.addVars(T, lb=0, name="I") # 库存 y = m.addVars(T, vtype=GRB.BINARY, name="y") # 是否启用产线 S = m.addVars(T, lb=0, name="S") # 缺货量 # 目标函数 m.setObjective( sum(F[t]*y[t] + c[t]*x[t] + h[t]*I[t] + pen[t]*S[t] for t in range(T)), GRB.MINIMIZE ) # 约束条件 # 产能约束 for t in range(T): m.addConstr(x[t] <= CAP[t] * y[t], name="capacity_%d" % t) # 库存平衡与鲁棒需求约束 for t in range(T): if t == 0: m.addConstr(I[t] == x[t] - (d_nom[t] + Gamma * d_delta[t]) + S[t], name="balance_%d" % t) else: m.addConstr(I[t] == I[t-1] + x[t] - (d_nom[t] + Gamma * d_delta[t]) + S[t], name="balance_%d" % t) return m

这段代码只是一个示范框架，你根据自己的题设细节调整。比如如果题目中需求不确定是按“月产量扩大到不同场景”来描述的，那么d_nom和d_delta的标定方式就要跟着换。

我强烈建议：先把确定性问题解通，再加鲁棒化。也就是先令Γ=0，跑通全部流程，拿到结果和敏感性分析，然后再把Γ从0逐步调大，观察成本和缺货的变化。这样做有两个好处：一是确定性问题更容易debug，二是这样递进式的论文叙事也更符合评委的阅读习惯。

3.4 求解器参数与调试心得

实际求解中，我经常会遇到Gurobi报“模型不可行”（infeasible）的情况。这时候不要慌，第一步永远是用Gurobi的IIS（不可行子系统）功能找出是哪几条约束互相打起来了。

m.computeIIS() m.write("model.ilp")

然后再看这些约束是否有明显的逻辑矛盾，比如产能约束设得太紧、鲁棒需求约束太强、库存平衡公式写错等。我在比赛现场就遇到过因为是“期末库存非负”和“需求必须满足”两条约束互相冲突导致模型不可行的典型场景。

另外，Gurobi的求解时间控制也很重要。国赛三天时间非常宝贵，遇到大型MILP求解时间过长，不要硬耗。我一般会设置绝对MIPGap为0.01（即允许百分之一的次优偏差），并设置一个合理的时间上限。

m.Params.TimeLimit = 300 m.Params.MIPGap = 0.01

这样求出来的解虽然不是教科书意义上的最优，但对建模竞赛来说已经完全足够，因为你可以在论文中光明正大地说“为了平衡求解效率，我们在1%的相对误差范围内求得了近似最优解”。有经验的评委完全能接受这种工程化处理。

4. 从模型到论文：获奖论文写作与AI辅助避坑

4.1 结果分析与灵敏度分析：让评审看到你的鲁棒性

模型建好、跑出结果，只完成了比赛的一半，另一半是把结果“讲出价值”。B题论文最忌讳的就是表格里堆了一堆数字，却没有解释这些数字说明了什么管理启示。

我建议结果的呈现要有三个层次：

第一层：基本情况汇报。表格列出不同Gamma取值下的总成本、产量、库存、缺货量，让人一眼看出随着不确定性预算增加，总成本如何上升，缺货量如何下降。

第二层：关键趋势解释。比如随着Gamma增加，企业会增加多少安全库存来对冲需求波动，这部分增加的库存持有成本就是“鲁棒性代价”。论文里一定把这个代价讲清楚，这叫“鲁棒性与经济性的权衡”。

第三层：策略建议。用模型结果反推企业层面应该怎么做。比如“建议在需求波动较大时增加24%的原材料采购预算”，这种话一写，评委立刻觉得你的模型是有实用价值的。

灵敏度分析部分，我强烈建议固定其他参数，只变动关键参数（比如缺货惩罚、库存成本），画出总成本的变化曲线。这是论文写作中的“万能独立章节”，多画几张图，篇幅充足且极具说服力。

4.2 论文写作规范与排版细节

国赛论文有自己的一套审美体系，虽然没明文规定，但获奖论文通常有几个共同特征：摘要信息量足、公式编号规范、图表图题清晰、变量符号前后一致。

摘要可以说是论文中最重要的一页，评委会花大量时间读摘要来决定这篇论文的层次定位。摘要里要把四件事说清楚：这道题是什么，你用了什么模型，怎么处理的不确定性，最终得到了什么关键结论。尤其要突出“鲁棒优化”这个亮点，很多评委一看到这两个词就会认真细看。

公式和图表标注是个容易丢分的地方。我见过的规范做法是：公式右对齐编号，表标题放在表上方居中，图标题放在图下方居中。所有图中文字字号不要小于8号，不要用之前第几题第几张表这种含糊描述，全部用“表3-2”和“图4-1”这样精确的编号体系。

4.3 关于AI辅助与自查的几点提醒

现在很多队伍会用AI辅助构建模型或润色论文，从我辅导经验来看，这只是一种工具，用得好就是效率翻倍，用不好就是灾难。往年已有因AI生成内容占比过高被通报批评的案例，大家一定要重视自查。

我的经验是：AI可以用在思路启发和公式润色上，但不能直接输出模型结论和论文段落。比如你可以让AI帮你解释鲁棒对等模型的对偶推导逻辑，甚至可以拿它检查你的代码语法，但论文里核心的模型设计理由、结果分析、敏感性结论，必须是你自己真实完成的思考。

提交前通读一遍全文，看是否有明显的AI套话风格，比如“综上所述，通过……可以……”这类万能句式。评委会对这类文章非常敏感。比赛提交之后很多赛区会做AI生成内容检测，与其冒险请“外援”，不如自己稳扎稳打建模求解，把经验真实地留在论文里。这也是我每次都会跟队伍强调的底线。

5. 常见问题与踩坑实录

5.1 鲁棒模型求解过慢或不收敛怎么办

这是B题实际比赛中出现频率最高的问题。求解慢的根源往往是整数变量和连续变量的耦合太多。我之前在调一个包含数百个0-1变量的MILP时，Gurobi一跑就是两个小时没有结果。

解决办法有三条。

第一条是砍变量。重新检查模型中是否存在逻辑冗余的0-1变量。比如如果两条产线的成本结构完全一样，是否可以直接合并为一个决策变量乘以产量分配比例，而不是搞两个0-1变量。

第二条是松约束。在可接受的误差范围内，把部分整数变量改成连续变量。这个方法在理论上有瑕疵，但作为近似解提交给竞赛论文完全可以接受，只要在论文中明确交代“此处进行了线性松弛作为上界估计”。

第三条是换模型形式。有些MILP改成带预算约束的鲁棒线性规划后，其实仍然是线性规划，只是你把它建模成了MILP。重新审视约束结构，尽量避免不必要的离散化。

5.2 鲁棒模型结果太保守被评委质疑怎么办

鲁棒模型的结果比确定性模型更保守，这是天然特性。但如果你发现总成本暴涨了50%以上，说明你的Γ值选太大了，或者不确定集设计得过宽。这时候需要做两件事：

一是把Γ的取值从0开始逐步增加，画出一条总成本随Γ变化的曲线，证明“在企业可接受的风险范围内，成本增幅是有限的”。比如Gamma从0到2时总成本只增加8%，这说明模型的鲁棒代价很低，很有说服力。

二是可以引入后悔值（regret）作为一个次级指标。确定性模型和鲁棒模型在最优情况下的成本差是机会成本，而在最坏情况下的成本差是保护收益。你把这两个值放进一个表格对比，评委看到的是你对自己的模型有完整的辩证认识，不是盲目吹捧鲁棒性。

5.3 两道高频评委追问的应答策略

我参加过几次国赛评阅模拟答辩，发现评委对B题的追问高度集中在两点：

第一问：“你的不确定集参数是怎么确定的？”

这是送分题也是送命题。标准答法：先说明不确定性来源，比如需求波动范围来自于题目给出的几个典型市场情形，然后说明为什么选预算不确定集（线性结构、可调节保守程度），最后说明Γ是在灵敏度分析中选定的，因为它在成本和风险之间给出了最平衡的决策方案。注意，一定要明确回答“标称值+波动范围”这两个参数分别从哪里来。

第二问：“如果没有历史数据，你的鲁棒模型还适用吗？”

答法是：鲁棒优化的优势恰恰在于不依赖历史分布，只需要知道可能波动的边界。边界可以从专家经验、行业报告或题目中的表格区间获得。如果连边界都拿不到，那任何模型都无法处理该不确定参数，这并不只是鲁棒模型的问题。

5.4 论文提交常见操作错误

最后提醒一个很多人容易踩的操作坑：国赛承诺书和论文正文分开提交时，很多队伍会把模型附件的代码一并传进论文PDF里，这是不推荐的做法。代码建议单独提交为附录文件，不要在论文正文中贴大段源码。评委看的是建模思路和结果分析，不是你的tab缩进。

另外，摘要页不要放图，不要放公式，全部浓缩成文字。这是国赛论文的基本规则。

我个人在实际操作中的体会是，B题是所有赛题中“保底收益”最高的一道题。它不要求你有多深厚的物理功底或多高级的统计知识，只要你把决策优化的框架搭扎实、把鲁棒模型用对地方、把结果和策略建议讲清楚，你的论文下限就已经很高了。至于上限，就看你有没有耐心把灵敏度分析做深、把图表做细、把论文里每一个“为什么”都落到实处。最后再分享一个小技巧：比赛第一天先不要急着写模型，花两到三个小时把题目中的所有业务场景翻译成“决策变量-参数-约束”的三列清单，这个动作能让后面两天少走一半弯路。祝备战国赛的各位都能稳定发挥，B题冲奖顺利。